【深度学习小常识】什么是mAP?
目录
一、mAP相关概念
1、正例与负例
2、P(精确率)
3、R(召回率)
4、ACC(准确率)
5、AP(平均精确度)
6、示例
二、mAP
1、mAP简介
2、P—R曲线
学习深度学习,总会有各种各样的概念,对于刚入门的小白来说,真的是越看越迷糊。比如我们今天要说的,什么是mAP?于是我问了一下度娘...
看完这个之后,我的表情是这样的
我们看相关论文的时候,很明显啊,这个东东和地图有什么关系? 所以到底什么是我们在深度学习论文中所说的mAP呢?
一、mAP相关概念
首先要给大家介绍几个常见的模型评价术语,
1、正例与负例
现在假设我们的分类目标只有两类,计为正例(positive)和负例(negtive),然后我们就能得到如下的四种情况:
(1)True positives(TP): 被正确地划分为正例的个数,即实际为正例且被分类器划分为正例的实例数(样本数);
(2)False positives(FP): 被错误地划分为正例的个数,即实际为负例但被分类器划分为正例的实例数;
(3)False negatives(FN):被错误地划分为负例的个数,即实际为正例但被分类器划分为负例的实例数;
(4)True negatives(TN): 被正确地划分为负例的个数,即实际为负例且被分类器划分为负例的实例数。
2、P(精确率)
P 代表 precision,即精确率,精确率表示预测样本中实际正样本数占所有正样本数的比例,计算公式为:
精确率 = 正确预测样本中实际正样本数 / 所有的正样本数
即 precision = TP/(TP+FP);
3、R(召回率)
R 代表 recall ,即召回率,召回率表示预测样本中实际正样本数占所有预测的样本的比例,计算公式为:
召回率 = 正确预测样本中实际正样本数 /实际的正样本数
即 Recall = TP/(TP+FN) ;
一般来说,召回率越高,准确率越低。
4、ACC(准确率)
ACC 代表 Accuracy,即准确率,准确率表示预测样本中预测正确数占所有样本数的比例,计算公式为:
准确率 = 预测样本中所有被正确分类的样本数 / 所有的样本数
即 ACC = (TP+TN)/(TP+FP+TN+FN);
5、AP(平均精确度)
AP 代表 Average Precision,即平均精确度。
6、示例
有朋友反映解释的概念太专业话,大家听不懂,在这里,通过一个示例来给大家说明一下。
狼吃羊的故事大家都听说过。懒羊羊这个小孩,心眼不坏,就是有时不靠谱。灰太狼继承了祖先的优良传统,带狼族来进攻羊村了,懒羊羊在门口,通报狼族进攻情况,这时候就会有如下四种情况:
在这个示例中:
预测正样本就是懒羊羊提醒了,预测负样本就是懒羊羊没有提醒。
实际正样本数就是狼族进攻了,实际负样本数就是狼族没有进攻。
真就是提醒和狼族进攻是相辅相成的,进攻就提醒,没进攻就没有提醒;假就是提醒错误,人家进攻了,没提醒,人家不进攻,乱提醒。
对于上面几个定义:
精确率:即正确提醒狼族进攻次数/所有提醒狼族的次数。
召回率:即正确提醒狼族进攻次数/所有真正狼族的次数。
准确率:所有的真/所有的情况。
二、mAP
1、mAP简介
mAP 是 Mean Average Precision 的缩写,即 均值平均精度。作为 object dection 中衡量检测精度的指标。计算公式为:
mAP = 所有类别的平均精度求和除以所有类别。
2、P—R曲线
P-R曲线,顾名思义,就是P-R的关系曲线图,表示了召回率和准确率之间的关系;我们可以在坐标系上做以 precision 和 recall 作为 纵、横轴坐标 的二维曲线。
上图就是一个P-R曲线的例子,通过这几个例子,我们能够发现一个规律:精度越高,召回率越低,当召回达到1时,对应概率分数最低的正样本,这个时候正样本数量除以所有大于等于该阈值的样本数量就是最低的精度值。
【深度学习小常识】什么是mAP?相关推荐
- 【深度学习小常识】CPU(中央处理器)和GPU(图像处理器)的区别
学习数据集训练时,电脑没有GPU,所以当时训练时用的是CPU,也没有意识到两者之间在训练数据集有什么差别,直到在一次训练过程中,着重看了一下训练过程,才发现,训练时间是真的差距大. 接下来就给大家讲一 ...
- 深度学习小技巧(二):如何保存和恢复scikit-learn训练的模型
深度学习小技巧(一):如何保存和恢复TensorFlow训练的模型 在许多情况下,在使用scikit学习库的同时,你需要将预测模型保存到文件中,然后在使用它们的时候还原它们,以便重复使用以前的工作.比 ...
- 【深度学习】——模型评估指标MAP计算实例计算
目录 一.知识储备 1.IOU--交集面积与并集面积之比 2.混淆矩阵(TP.FP.FN.TN) 问题1:上面的TP等具体是如何计算得到的? 3.精度precision&召回率recall 二 ...
- Python 深度学习目标检测评价指标 :mAP、Precision、Recall、AP、IOU等
目标检测评价指标: 准确率 (Accuracy),混淆矩阵 (Confusion Matrix),精确率(Precision),召回率(Recall),平均正确率(AP),mean Average P ...
- 深度学习目标检测——AP以及MAP
AP计算概述 知道了AP 的定义,下一步就是理解AP计算的实现,理论上可以通过积分来计算AP,公式如下: A P = ∫ 0 1 P ( r ) d r AP=\int_0^1 P(r) dr AP= ...
- 一位深度学习小萌新的学渣笔记(四)GoogLeNet网络介绍及代码详解
前言 继续学习霹雳大神的神经网络讲解视频 更新不易,希望大家可以去看原视频支持up主霹雳吧啦Wz GoogLeNet网络详解 使用pytorch搭建GoogLeNet网络 本博文记载的是基于Pytor ...
- 【深度学习小知识】ROI到ROI pooling 再到ROI Align
ROI!RoI Pooling! ROI详解 RoI Pooling详解 Pooling操作 ROI pooling ROI Align详解 ROI详解 Region of interest(ROI) ...
- 【教学】深度学习小项目汇总_含源代码包运行
pyqt5实现手写汉字界面pytorch版 pyqt5实现手写数字界面pytorch版 水果识别小程序 基于python的hog+svm实现目标检测 yolov5_deepsort目标跟踪行人统计数量 ...
- 【教学】深度学习小项目汇总_含源代码_包运行
pyqt5实现手写汉字界面pytorch版 pyqt5实现手写数字界面pytorch版 水果识别小程序 基于python的hog+svm实现目标检测 yolov5_deepsort目标跟踪行人统计数量 ...
最新文章
- java pdf 书签_Java 展开或折叠PDF中的书签
- 新一代音视频技术架构驱动未来多媒体创新
- kotlin 添加第一个 集合_Flutter开发必学Dart语法篇之集合操作符函数与源码分析...
- wordpress footer置底
- range函数python_range()函数以及Python中的示例
- 华为鸿蒙还会不会推出,华为如果把鸿蒙独立出来,让小米、魅族和蓝绿厂参股进来,会不会超越安卓?...
- C++ 继承与组合的区别
- [试题]Python大赛部分答案
- PDF虚拟打印机(virtual printer)软件汇总
- idea导出配置和导入配置
- 定义类,super的使用,super的使用
- iOS 实现Lottie动画
- apk双开多开分身术的原理
- 基于容器的虚拟化资源调度系统的架构设计
- x^2+y^2=2ax
- AID自定义桌面图标
- r语言 精美rda图_R语言高质量绘图的10条tips
- jpress转换html5,docker-compose安装jpress(这种是war包和生成文件在宿主机,运行在docker上)...
- 最美的十大经典爱情句子{转}
- 接入层交换机、汇聚层交换机和核心层交换机的区别
热门文章
- 百度地图坐标增强现实 (雷达效果)附全国离线地图
- win10看视频全屏底边任务栏还在
- 结构静力分析与动力学分析_51CAE_新浪博客
- 3G门户Android面试题(2013年)
- sphinx 编码 php文档,用Sphinx编写技术文档
- Invalid bound statement (not found)错误的原因和解决办法
- 我玩某宝新模式2个月收λ15万,你觉得过气的行业,真的很赚钱!
- 项目资源管理-日历图
- 关于计算机在教室的文化建设方案,大学教室文化建设方案
- 三相电机智能栅极驱动芯片DRV83053与DRV8343S找不同